於是，我決定寫一個相對完整的簡單程序，完成一個對人臉進行識別的功能。

仔細看了看文檔，琢磨了一下。為了實現人臉識別，需要實現以下幾個步驟：

1、創建一個Person Group。人需要通過組來進行管理組織。每個組最多有1000個人，免費的每個訂閱最多1000人，S0訂閱的每個組10000人，每個訂閱上限1M組、100M人。

2、創建一個Person。人是Face的擁有著。每個人最多有248張臉的圖片。和人關聯的臉是持久化的persistedFace，而使用detect等api讀取的是非持久的Face。

3、為Person提供幾張不同的Face。除了Face，還有FaceList對象，但更多用於分辨類似的臉。我估計要進行人臉識別，用Face對象就可以。

4、對提供的幾張Face進行訓練。人工智能需要對輸入進行訓練，利用認知服務進行分析並得到結果。理論上提供訓練的數據越多，結果越準確。

5、提供一張用於比對的Face。上傳一張圖片，讓人工智能判斷是不是同一個人。

開始之前我要首先熟悉一下示例代碼。前文提供的示例代碼和Face API的示例代碼使用了不同的模塊。示例代碼引入了requests這個庫，使用它可以更靈活的完成有關HTTP的各類方法特別是傳遞數據。所以：

pip install requests

因為有兩種不同的數據headers提交方式json和octet-steam，所以分開寫了兩個不同的headers頭部定義。為了便於使用，把訂閱的Key和訪問的基礎鏈接分別使用變量進行提供。

正式開幹~首先是創建Person Group。和別的對象不同，PersonGroup的名字和ID都是字符串，只接受小寫英文字符和‘-’、‘_’，不多於64個字符。

其他對象的ID都是類似GUID的形式。通常在創建對象的時候由服務返回。由於Person Group是首先創建的，所以其ID由用戶指定也很合乎情理。創建Person Group之後，就可以在組裏面創建人了。

每一部我都是用了print來輸出獲得的json數據。由於添加Face需要提供Person ID，所以在這裏我從json裏面取出了personId的數據。

Python裏面處理json可以用dump、dumps、load、loads不同的方法。loads能夠把獲得的json數據轉成dict或者list，這在我踩過list的坑之後才想明白。一旦json中的數據分層了，轉化出來的就是list了，這時就需要逐層處理數據。可以參考Python的手冊： 18.2. json— JSON encoder and decoder：https://docs.python.org/2/library/json.html

有了personId，就可以為特定的人添加Face了。官方示例代碼給的是通過json傳遞一個圖片的url。有很多人在下面問，怎麽使用本地的照片呢？其實利用文件，然後使用octet-steam發送給Azure就可以了。經過一番對requests.request()參數的猜測和對文件的嘗試，果然就能夠把圖片傳上去了。persistedFaceId其實後面沒有直接使用，為了學習我還是把它提取出來了。

為了訓練機器，繼續傳了幾張我的帥照……

當一個人有了幾分臉面之後……哈哈，我們應該訓練人工智能了。直接POST特定URL即可。

到了關鍵的時候了，我們要檢驗認知服務的效果了。先使用Detect方法輸入一張照片。

這裏其實不需要所有參數，只需要返回faceId就可以。所以把params裏面的數據刪了也無所謂。不過我想看看完整的輸出是怎樣的，就全寫出來了。

於是就遇到了前面說的坑，使用dict的方法，沒法獲得list裏面的數據。要是一層一層分析…好麻煩啊，轉念一想，輸出的格式是固定的，因此偷了個懶，直接用list的下標獲取faceId的dict，然後再get出faceId。

最後，就是調用Verify方法，確認提供的照片是不是我們之前使用幾張照片訓練過的人的了。這句話好長去……

為了容易體現結果，我還特意用了中文……

按照文檔說的，高於0.5的評分就可以視作通過，所以屬性isIdentical的值為True，直接拿來做條件。

照片是我本人嗎？當然，是。

利用Azure的Face API，完成一個人臉識別，很簡單吧。

從零開始玩人工智能—人臉 API—02